基于半监督学习的单阶段全卷积网络目标检测方法

本申请公开了基于半监督学习的单阶段全卷积网络目标检测方法，该网络框架采用教师学生的半监督学习模型，数据集分为标签数据和无标签数据。学生模型根据标签数据和教师模型推理得到的伪标签进行训练。其中，教师学生模型均使用FCOS的单阶段全卷积网络，采用ResNet‑50网络后连接FPN网络提高模型的多尺度检测性能。对于半监督学习设置，采用代价相关的样本分配方式，相比原FCOS模型的样本分配方式，在多尺度下分配最佳正样本且不引入超参数。其次，原FCOS检测头采用共享特征，我们单独优化任务特征，采用可变形卷积计算任务相关的偏移矩阵。本发明可解决当前目标检测任务中标注成本较高的重大问题，降低标注成本同时利用大量的无标签数据实现性能提升。